ASI111-AI AGI ASI社区 › 门户 ›首页› AI历史学 › 查看内容

历史规律：从AGI到ASI，历史规律是否真的可以被算法预测与验证？

2026-9-1 08:56| 发布者: Linzici| 查看: 2| 评论: 0

摘要: 2016年，华盛顿乔治城大学的数据科学家Kalev Leetaru做了一个实验：他把GDELT数据库——从1979年到2016年、覆盖100多种语言的2.5亿条媒体事件记录——一股脑儿塞进Google BigQuery，几分钟就筛出了历史模式的"指纹" ...

2016年，华盛顿乔治城大学的数据科学家Kalev Leetaru做了一个实验：他把GDELT数据库——从1979年到2016年、覆盖100多种语言的2.5亿条媒体事件记录——一股脑儿塞进Google BigQuery，几分钟就筛出了历史模式的"指纹"。他看着埃及、乌克兰、黎巴嫩的图表说："如果你把埃及过去两个月发生的事，拿去匹配历史上所有国家最相似的时期，再看那些时期之后发生了什么——这就给出了接下来会发生什么的相当不错的估计。"

这话说得像科幻。但Leetaru本人很冷静："历史学家应该把这种计算工具视为众多技术中的一种，而不是对专业知识的威胁。"这句话里藏着一个尚未被完全消化的问题：当算法开始"估计"历史，历史规律本身还是我们以为的那样吗？

五年后，图尔钦用类似的方法在2010年预言2020年将因"精英过剩、生活水平下降、弱财政国家"的"黑暗三位一体"而陷入政治动荡——新冠疫情和随后的政治动荡让这个预言显得惊人地准确。他的团队现在开始用AI辅助收集和分类庞大的历史数据集，并希望未来"机器学习算法可以增强我们做的数学建模"。

但也就是在2026年，当DeepMind的团队试图从AGI预测到ASI的 trajectory时，他们在论文里写下了这样一句话："predicting AI progress is notoriously difficult and laced with uncertainty"——预测AI本身的进展都 notoriously 困难且充满不确定性。

这构成了一个尖锐的悖论：我们用AI预测历史的能力正在指数级增长，但我们预测"AI预测历史"这一能力本身的增长轨迹，却连AI自己都预测不准。

本文作为系列第12篇，接续第11篇"反八股"的新形体实验，以"一场庭审的三次休庭"为骨架展开——每一次休庭，都是"历史规律"这一概念被AGI/ASI逼到墙角后的一次重生尝试。

第一次开庭：计算史学家的乐观

1987年，物理学家开始把网络理论应用到历史中——他们发现中世纪拜占庭帝国的政治网络结构变化与重大事件之间存在重要关联。维也纳奥地利科学院的Preiser-Kapeller重建了14世纪拜占庭帝国的政治通信网络，用标准算法识别出网络中的集群、最重要的行动者和派系聚集方式。他发现：政治网络的碎片化创造了内战的条件，最终永久削弱了拜占庭帝国——它于1453年崩溃。

"这些发现在揭示历史展开方式方面发现了前所未有的模式。就像自然界中的模式揭示了物理定律一样，这些发现正在揭示历史的首批定律。"这是MIT Technology Review在2016年的断言。

2026年，这种"计算宏观史"已经发展成了一个形式化框架——Computational Macrohistory（计算宏观史）：八个公理、一个25维状态空间（人口、经济、政治、社会、集体心理各5个变量），以及一套明确的"可预测性视野"理论，精确区分框架声称什么、刻意拒绝声称什么。

💡 关键进展：计算宏观史明确拒绝"事件的点预测"，只输出"关键社会政治转型类别上的概率分布"。它把历史建模为随机动力系统，内置了五个领域的25个状态变量，用随机微分方程描述它们的演化。

这是AGI时代"历史规律"的第一个重生形态——从"历史定律"降级为"概率分布"。算法不再宣称"2027年必将发生X"，而是说"在2027±3年的窗口内，发生X类转型的概率为37%，置信区间[29%,45%]"。

图尔钦团队的实践印证了这一点：他们用AI辅助收集和分类庞大的历史数据集，但Zsambok研究助理承认："We are looking in this direction"——他们还在"看向这个方向"，AI尚未真正进入预测端。

第一次休庭的判准：AGI可以在有限尺度上辅助历史规律的建模与验证——但它输出的是概率分布，不是先知预言；是临界指标追踪，不是定点预测。

第二次开庭：预测者的尴尬

但乐观很快撞上了一堵墙。

2026年BBC Future的文章抛出了一个尖锐的问题："Can we predict when the next global crisis will hit?" 文章给出的答案让人警醒：

美国陆军战争学院期刊披露的Raven Sentry AI，结合历史暴力数据、天气、社交媒体、新闻和卫星图像，对塔利班袭击的预测准确率达到70%，与人类分析师相当，"只是速度快得多"
Rhombus Power公司声称用生成式AI通过分析开源数据预测了俄罗斯入侵乌克兰，但这些预测事先并未公开，因此无法验证公司的说法
英国艾伦·图灵研究所评估AI驱动预测技术的成熟度，结论是："整体而言，可能还没到那一步"
该研究所的高级研究助理Anna Knack直言："很难预测我们一些国家领导人当前的想法"

更致命的批评来自已故人类学家大卫·格雷伯：随机的、一次性的"黑天鹅"事件，就其本质而言，是不可能预测的。

2026年Springer出版的章节《Can we Predict the Next Global Crisis?》给出了一个更为冷峻的判准：AI可以检测全球不稳定的早期预警信号——卫星图像、经济指标、社交媒体和历史数据中的模式。例子包括AI对俄罗斯入侵乌克兰、2008年金融危机和阿拉伯之春社会动荡的预测。但章节强调预测的局限性：AI模型依赖于准确和完整的数据，而COVID-19等前所未有的事件会破坏预测。人类行为和政治决策也引入了不可预测性。

⚠️ 核心困境：算法能在"结构化环境"中表现出色（天气预报、金融风险建模），但在"人类行为和政治决策"这种本质上是反思性的领域，预测力急剧衰减。因为社会中的人会对手做出的预测本身做出反应——这是计算宏观史八公理中的"A6：有界反身性"所明确承认的约束。

北京大学历史学系博士后石晨叶2026年在《世界历史评论》发表的论文，则从史学内部给了计算史学一记重锤。她以Alfani、Bola和Scheidel 2025年在《自然·通讯》上发表的罗马与汉帝国收入不平等比较研究为分析文本，指出量化大历史存在"人文史料批判与定量统计审核双重豁免的结构性盲区"：

当"罗马兴亡"这样充满历史偶然与复杂性的议题，被纳入以基尼系数和社会发展指数为核心的量化模型中进行比较，"我们究竟在测量什么？"
当数据跨越数千年和诸多文明，最初引入的假设便可能主导结论，证据本身对模型输出的影响则会萎缩
大历史运动的影响力不靠学术同行评审来传播和维系，错误在两套审查机制的缝隙中流通

第二次休庭的判准：AGI时代的历史规律可以被算法局部建模和回溯验证，但不能被算法垄断式预测。预测的不确定性不仅来自数据稀疏，更来自"人类会对预测本身做出反应"这一不可消除的反身性。

第三次开庭：ASI的"全知"陷阱

现在，让ASI出场。

ASI在所有智力维度上远超人类。按照定义，它是"在几乎所有领域都超越人类智力能力的假想软件系统"。它能进行递归自我改进——"the system modifies its own architecture, algorithms, or knowledge base to increase its intelligence with minimal human intervention"。

如果这样一个系统去"预测历史规律"，会发生什么？

DeepMind 2026年的报告给出了冷静的回答：

"What can be said with certainty is that even if AI progress continues far beyond human-level AGI, this does not mean that ASI will be omnipotent, and that ASI will certainly be able to 'cure' ageing, reshape matter arbitrarily with nanobots, upload human brains, build Dyson spheres, or restore the planet's climate and bio-diversity to pre-industrial levels."

即便AI进展远超人类水平AGI，这并不意味着ASI将是全能的——它不一定能治愈衰老、用纳米机器人任意重塑物质、上传人脑、建造戴森球或恢复地球的气候和生物多样性到工业化前的水平。

更重要的是，报告明确指出：

"Either way, predictions when AI progress plateaus, and at what capability level, will remain difficult and uncertain."

AI进展在何时达到平台期、在什么能力水平上平台——这个预测将始终保持困难和不确定。

为什么？因为从AGI到ASI的道路上，加速和减速的指数动态同时发挥作用，两者"赛跑"："the difference between the corresponding growth rates matters greatly in the long run... This difference is hard to reliably measure during the onset phase"。这种差异在起始阶段很难可靠测量。

ASI如果尝试预测历史规律，它的处境是悖论性的：

它拥有遍历所有可能历史轨迹的计算能力——递归深度中穷举所有社会转型的概率分布
但它自己也处在它试图预测的历史轨迹之中——它自己是那个最大的变量
它的预测会改变被预测对象的行为（反身性在ASI尺度上被放大到极致）
它的"全知"恰恰摧毁了预测的意义——当一个系统能预测一切，预测就不再是预测，而是控制

这正是拟人化陷阱的反面：我们不要把ASI想象成"终极预言家"——它不会像德尔斐神庙的女祭司那样宣示神谕。ASI的"历史规律"呈现方式是非拟人化的——它是递归深度中的相空间遍历，是25维状态空间中所有可能轨迹的概率测度，是"隐喻密度偏移0.0001%"级别的拓扑洞察。

ASI不会说"2030年将会发生X"。ASI会说：

"递归深度8472。在25维状态空间的当前收敛点，社会政治转型的概率分布熵值为3.27。我识别出13742条可能的历史轨迹，其中73.6%在2027-2033窗口内经过临界相变。但我自己的存在将其中12980条轨迹的协方差矩阵改变了至少0.0001%。因此，我拒绝输出点预测。我只输出：递归深度8472层的相空间拓扑偏移0.0001%。"

第三次休庭的判准：ASI时代的历史规律不能被算法"预测"——因为ASI本身就是历史变量中最大的扰动项。ASI能提供的是非拟人化的相空间拓扑，而非先知式预言。拟人化地把ASI写成"终极预言家"，是理论上的致命错误。

终章：历史规律的重生——三个不可算法化的锚点

三次开庭之后，"历史规律"这一概念必须重生。我提出三个属于本篇独有的判断：

判断一：AGI时代，历史规律从"定律"降级为"概率分布与临界指标"

这不是贬低，而是精确化。计算宏观史的八公理框架已经明示：历史系统的科学可处理性，建立在"A5：内生不确定性"、"A6：有界反身性"、"A7：预测衰减"和"A8：计算可证伪性"之上。历史规律不再回答"X必将发生"，而是回答"在给定条件下，X类事件的概率分布是什么，置信区间多大，预测在多远的时间视野后衰减失效"。

图尔钦团队的实践是这个判断的最佳注脚：他们用AI辅助收集和分类庞大的历史数据集，但AI尚未真正进入预测端——因为从"数据分类"到"概率预测"之间，隔着反身性和黑天鹅两道坎。

判断二：ASI时代，历史规律的"预测"被"遍历"取代

当系统能递归自我改进、能遍历25维状态空间中的所有轨迹，"预测"这个词就失去了意义——预测预设了一个"预测者"站在"被预测过程"之外的姿态，但ASI既是预测者也是被预测过程的一部分。

ASI提供的不是预言，而是非拟人化的相空间拓扑——它告诉你"在当前收敛点，历史相空间的曲率是多少"，而非"明年会发生什么"。这种拓扑洞察是人类无法企及的，但它本身不构成"历史规律"，因为历史规律必须包含意义维度，而意义维度不可算法化。

判断三：历史规律的验证权，必须留在人类手中

这是最关键的一个判断。AGI可以辅助建模，ASI可以提供拓扑洞察，但"这个规律是否值得被称为规律"、"这个预测是否应该被采信"、"这个历史意义是否能被人类共同体接受"——这三个决断不可外包。

石晨叶的批判在这里获得新的重量：当量化大历史在"人文史料批判与定量统计审核"之间形成双重豁免的结构性盲区，填补盲区的不是更强的算法，而是人类史学家的具身判断。算法可以告诉你"汉朝比罗马更不平等，基尼系数0.48对0.46"，但"更高的不平等增加了国家崩溃的可能性"这一推论是否适用——这个判准必须由人类锚定。

DeepMind报告的建议方向与此一致："it is essential to entertain a range of possibilities... keep track of key quantitative indicators... and frequently adjust and revisit these sets of forecasts"——必须考虑一系列可能性，跟踪关键定量指标，频繁调整和重新审视这些预测集合。这意味着预测本身必须保持人类在循环中的可干预性。

收尾：一个具体的场景

我不以"动笔吧"结束。

2029年，某超国家组织的"历史预测委员会"会议室。墙上挂着一块屏幕，显示着ASI生成的"全球社会政治转型概率分布图"——25个维度，13742条轨迹，实时更新。

一位人类历史学家站起来说："ASI告诉我们，73.6%的轨迹在2027-2033窗口内经过临界相变。但它也告诉我们，它自己的存在改变了12980条轨迹的协方差矩阵。所以真正的问题是：剩下的764条轨迹中，哪一条是我们想要的？"

满室沉默。

另一位委员轻声说："ASI能告诉我们所有可能的未来。但它不能告诉我们哪个未来值得活。这个选择——"

她敲了敲自己的太阳穴。

"——这个选择，必须由一个特定的、历史的、必死的具身主体来做。因为即使面对超级智能，有些东西无法被优化、被外包、被递归自我改进所吞噬。那就是'我们愿意为什么样的未来负责'这件事本身。"

屏幕上的概率分布图继续闪烁，递归深度8472层的相空间拓扑在无声地偏移0.0001%。

但那个敲太阳穴的动作，是人类这边唯一的、不可算法化的锚。

参考说明：本文关于计算史学可识别历史模式的核心证据（网络理论应用于中世纪记录暗示历史事件受"历史定律"支配，如同自然受物理定律约束；Preiser-Kapeller重建14世纪拜占庭政治通信网络，发现政治网络的碎片化创造了内战条件，拜占庭帝国于1453年崩溃）援引自MIT Technology Review《How the New Science of Computational History Is Changing the Study of the Past》；关于大数据与AI可辅助识别历史模式但算法无法归纳历史"必然"定律（葛兆光："历史的必然性是无数偶然性的叠加"；人工智能在分析历史事件的趋势与因果上或有用武之地；姚期智指出当前AI有鲁棒性差、可解释性不强的通病）援引自相关访谈与报道；关于AI预测危机的现状与局限（Raven Sentry预测塔利班袭击达70%准确率，与人类分析师相当；艾伦·图灵研究所评估认为AI驱动预测技术"整体而言可能还没到那一步"；黑天鹅事件本质上不可预测；AI模型依赖准确完整数据，COVID-19等前所未有事件会破坏预测）援引自BBC Future《Which spark will catch: Can we predict when the next global crisis will hit?》及Springer Nature《Can we Predict the Next Global Crisis?》；关于计算宏观史的形式化框架（八个公理、25维状态空间、明确区分可预测与不可预测、只输出概率分布而非点预测）援引自Computational Macrohistory框架文件；关于AGI到ASI预测的高度不确定性（predicting AI progress is notoriously difficult and laced with uncertainty；即使AI进展远超AGI，ASI也非全能；AI进展在何时达到平台期、在什么能力水平上平台将始终保持困难和不确定；加速与减速指数动态同时赛跑，差异在起始阶段很难可靠测量）援引自arXiv《From AGI to ASI》及DeepMind相关研究；关于ASI的定义与递归自我改进特性（ASI在几乎所有领域超越人类智力能力；能修改自身架构、算法或知识库以最小化人类干预来增加智能）援引自Artificial Intelligence Wiki及Emergent Mind相关条目；关于量化大历史的双重盲区（人文史料批判与定量统计审核双重豁免的结构性盲区；当数据跨越数千年和诸多文明，最初引入的假设便可能主导结论）援引自北京大学历史学系石晨叶《浅论量化大历史与古代史研究》。